[发明专利]基于语义分割和孪生神经网络的无人机图像变化检测方法

说明书

本发明属于多时相无人机图像变化检测技术领域，更具体地，涉及基于语义分割和孪生神经网络的无人机图像变化检测方法。包括以下步骤：S1.扩展数据集并划分数据集；S2.搭建基于语义分割框架DeeplabV3和孪生网络结合的深度神经网络模型；S3.利用训练数据集训练基于DeeplabV3的孪生神经网络模型；S4.基于测试数据集和训练后的模型，验证训练结果。本发明结合了语义分割的思想，并利用孪生网络权值共享特点，有利于提取有现实含义的特征，考虑像素间的语义关系和变化区域的多尺度问题，并解决噪声敏感、变化检测精度较低等问题，提高差异图的质量和鲁棒性。

技术领域

本发明属于多时相无人机图像变化检测技术领域，更具体地，涉及基于语义分割和孪生神经网络的无人机图像变化检测方法。

背景技术

近年来，随着无人机技术的蓬勃发展，无人机自身特点与航拍相结合，成为了一种新的发展方向。无人机遥感技术具有实时、高分辨率、高性价比、灵活性强的优点，应用在了生态环境保护、土地利用调查、河道检测中。

无人机多时相图像变化检测(Change Detection)，本质上，是为了检测出在同一位置、不同时相的两幅图像的显著变化区域，但是由于受光照、天气、相机因素等影响，成为了制约变化检测发挥的重要因素。目前变化检测方法主要分成先分类后分析、先比较后分析。(1)先分类后分析，先分别将两时相的图像分类，对比分析各自的分类类别图，得到变化检测的结果。(2)先比较后分析，两时相图通过比较产生差异图，然后分析差异图并得到变化检测结果。目前后者是主流的变化检测方法，产生高质量差异图是变化检测的重要方向。

语义分割(Semantic Segmentation)是将图像中的每个像素点按照所属目标的语义类别进行分割，获取的是逐像素分类的分类结果，语义分割可以有效检测图像的语义信息。

孪生神经网络(Simaese Neural Network)是一种包含两个子网络的架构，子网络具有相同的网络结构、参数和权重，参数的更新是在两个子网络上同时进行，共享权重可以减少训练的参数数量，提高训练效率。孪生神经网络可应用于涉及相似性的问题中，可以衡量相似度。

目前已有很多学者在研究变化检测技术，论文“A Neighborhood-Based RatioApproach for Change Detection in SAR Images”提出基于邻域的比值算子，该算子将灰度信息与相邻像素的空间信息相结合来生成差异图，但是特征鲁棒性不高；论文“Unsupervised Change Detection in Satellite Images Using Principal ComponentAnalysis and k-Means Clustering”提出了将主成分分析与K-means聚类相结合的非监督变化检测，但是手动特征的特征表达力不高；论文“Change Detection Based on DeepFeatures and Low Rank”提出多尺度分割与低秩分解的方法，从视觉显著性的角度解决变化检测问题，但却在一定程度上损失了检测精确度。以上的方法都是从像素角度实现变化检测，没有考虑到其他几何、语义信息和变化区域多尺度，并且没有解决图像变化检测对噪声敏感的问题。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷，提供一种基于语义分割和孪生神经网络的无人机图像变化检测方法，结合了语义分割的思想，并利用孪生网络权值共享特点，有利于提取有现实含义的特征。

为解决上述技术问题，本发明采用的技术方案是：一种基于语义分割和孪生神经网络的无人机图像变化检测方法，包括以下步骤：

S1.扩展数据集并划分数据集；

S2.搭建基于语义分割框架DeeplabV3和孪生网络结合的深度神经网络模型；

S3.利用训练数据集训练基于DeeplabV3的孪生神经网络模型；